CoViT：基于 Vision Transformers 的 SARS-CoV-2 大流行实时系统发育分析
机器学习
2022-10-28 v2 定量方法
摘要
实时病毒基因组检测、分类学归类与系统发育分析，对高效追踪与管控诸如 Covid-19 的病毒大流行至关重要。然而，空前且仍在增长的病毒基因组数据量造成了计算瓶颈， effectively 阻碍了实时大流行追踪。要使基因组追踪奏效，每条新病毒基因组序列须被置于其泛基因组语境中。对含数百万样本的 SARS-CoV-2 数据集重推完整系统发育树，即便用强力计算资源也 prohibitively 缓慢。我们试图通过改造并应用近期开发的用于图像识别的神经网络模型 Vision Transformer，对病毒基因组（如 SARS-CoV-2）做分类学归类与安置，以缓解该计算瓶颈。我们的方案 CoViT 将 SARS-CoV-2 基因组 accession 置于 SARS-CoV-2 系统发育树上的准确率达 94.2%。由于 CoViT 是分类神经网络，其给出不止一个可能安置位：具体而言，CoViT 建议的两个最可能安置中位之一正确的概率为 97.9%；正确安置出现于 CoViT 生成的五个最可能安置中的概率为 99.8%。在 NVIDIA GeForce RTX 2080 Ti GPU 上，每单条基因组的安置耗时为 0.055s。我们通过 GitHub 向研究界提供 CoViT：https://github.com/zuherJahshan/covit。
引用
@article{arxiv.2208.05004,
title = {CoViT: Real-time phylogenetics for the SARS-CoV-2 pandemic using Vision Transformers},
author = {Zuher Jahshan and Can Alkan and Leonid Yavits},
journal= {arXiv preprint arXiv:2208.05004},
year = {2022}
}
备注
11 pages, 4 figures, 2 tables